Как учится машина
Аннотация:
Мы живем во время революции, еще 50 лет назад казавшейся невероятной, – революции в области умных машин, которые теперь обучаются самостоятельно, вместо того чтобы просто выполнять запрограммированные команды. И возможности таких машин огромны: распознавание изображений, лиц и голосов, переводы на сотни языков, беспилотное управление автомобилями, обнаружение опухолей на медицинских снимках и многое другое.
Автор книги Ян Лекун стоит у истоков этой революции. Лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в Facebook, он является одним из изобретателей глубокого обучения, применяемого к так называемым искусственным нейронным сетям, архитектура и функционирование которых вдохновлены устройством человеческого мозга. В своей книге он, не прибегая к метафорам, делится своим научным подходом на стыке компьютерных наук и нейробиологии, проливая свет на будущее искусственного интеллекта, связанные с ним проблемы и перспективы.
Сегодня искусственный интеллект действительно меняет все наше общество. Эта понятная и доступная книга перенесет вас в самое сердце машины, открывая новый увлекательный мир, который уже является нашей реальностью.
В нашей библиотеке Вы имеете возможность скачать книгу Как учится машина. Революция в области нейронных сетей и глубокого обучения Ян Лекун или читать онлайн в формате epub, fb2, pdf, txt, а также можете купить бумажную книгу в интернет магазине партнеров.
В этом году явный бум нейросетей. На какую конференцию не приду, только о них и речь. Но эта сфера развивается уже десятилетия. Как сильно искусственный интеллект повлияет на нашу жизнь?
Прочитал книгу «Как учится машина. Революция в области нейронных сетей и глубокого обучения». Автор — Ян Лекун, новатор в машинном обучении, лауреат премии Тьюринга, профессор Нью-Йоркского университета и руководитель фундаментальными исследованиями в крупных бигтех-команиях.
Нейросети появились не сегодня. Началось все в 60-ых. Подсказка пришла от природы. Ученые заинтересовались строением зрительной коры мозга и стали применять это к математическим моделям. С тех пор область исследования нейросетей развивается многие десятилетия. Интерес к ним то вспыхивает, то затухает.
«Конец 1980-х и начало 1990-х были периодом процветания многослойных нейронных сетей: число конференций и научных публикаций увеличивалось, появлялись новые рабочие места в университетах, государство инвестировало в проекты… Но в середине десятилетия наступил еще один период застоя. Помимо больших вычислительных ресурсов, сети требовали огромного количества обучающих данных. К тому же они были сложны в эксплуатации».
В очередной раз ситуация кардинально изменилась только в 2012 году, когда фаворитами стали так называемые сверточные нейросети, а совокупность методов машинного обучения под названием глубокое обучение получило широчайшее применение в различных науках:
в астрофизике (классификация галактик и открытие экзопланет),
в физике элементарных частиц (анализ струй частиц, вызванных столкновениями ускорителя частице),
создание метаматериалов с новыми свойствами
в социальных науках (масштабный анализ социальных взаимодействий),
в нейробиологии (понимание механизмов восприятия в головном мозге)
Наиболее многочисленные применения относятся к биомедицине, например, для предсказания пространственной структуры белков.
Но на сегодняшний день даже самые лучшие системы ИИ все еще очень ограничены.
«По уму они уступают кошке, мозг которой содержит 760 млн нейронов и 10 000 млрд синапсов. Не говоря уже о ее «двоюродной сестре» собаке, в мозге которой 2,2 млрд нейронов. Мы не можем проектировать и строить машины, которые по мощности даже приближались бы к человеческому мозгу, с его 86 млрд нейронов и потребляемой мощностью около 25 Вт».
Чтобы получить мощность человеческого мозга, придется подключить сотню тысяч процессоров к гигантскому компьютеру, потребляющему не менее 25 мегаватт. Это в миллион раз превышает потребности человеческого мозга.
Когда появится разумный, а не просто трудолюбивый робот?
«Эти интеллектуальные роботы станут реальностью только после появления моделей мира, которые позволят им планировать сложные действия. В случае успеха приложения ИИ кардинально изменят наше общество. Но ничто из этого не станет возможным до тех пор, пока машины не будут учиться так же эффективно, как животные и люди, пока они не приобретут модели мира путем обучения без учителя, пока они не накопят достаточно знаний о мире, чтобы развить в себе здравый смысл. Вот какова реальная задача нынешних исследований в области искусственного интеллекта».
Тем не менее прогресс нейронных сетей очевиден.
Экономисты сходятся на том, что ИИ — это технология общего назначения (англ. General Purpose Technologies, GPT), которая будет распространяться и коренным образом преобразовывать экономическую жизнь в ближайшие десятилетия. Из истории нам известно и о других технологиях общего назначения: паровой двигатель, электричество, компьютеры.
Четыре основные категории приложений ИИ вызывают интерес у крупных промышленных компаний:
- медицина,
- автономные транспортные средства,
- виртуальные помощники
- бытовые/промышленные роботы.
«Как и предыдущие технологические потрясения, искусственный интеллект вытеснит некоторые профессии и заодно приведет к появлению новых профессий, которые мы даже и представить себе не можем. Промышленные революции уничтожают одни виды деятельности и порождают другие».
Нейросети не изменят наш мир в одночасье. Скорость внедрения технологий общего назначения в экономику ограничивается как раз тем временем, которое требуется работникам, чтобы научиться ими пользоваться. Этот процесс может занимать от 15 до 20 лет.
«Лучший способ для стран воспользоваться возможностями искусственного интеллекта — это вложить значительные средства в образование. На всех уровнях: в школах, вузах, аспирантуре и, конечно же, в системе повышения квалификации. Вы должны подготовить людей к трансформации, а также создать технологическую и научную «экосистему», благоприятную для инноваций».
Это саммари дает ответы на вопросы: как учится машина? Догонят ли нас компьютеры по интеллектуальным способностям? Если это произойдет, то как скоро? И стоит ли нам опасаться господства машин в будущем?
Эволюция машинного обучения
Человек издревле пытается создать устройства, похожие на него. Ученые прошлого века, казалось, были в шаге от полной механизации мыслительного процесса и замены людей роботами во многих сферах. Однако сегодня мы все еще далеки от этого.
В 1950-х годах ученые, занимающиеся классическим ИИ, основанным на логике и графах, искали все новые сферы для его применения. В то же время появилось новое течение в компьютерной науке, сторонники которого считали, что для решения сложных задач одной логики недостаточно.
Вместо того чтобы воспроизводить логические цепочки человеческих рассуждений, они предложили копнуть глубже – исследовать, а затем и смоделировать носитель этой логики, потрясающий биологический процессор – человеческий мозг. Пионеры машинного обучения стали работать над созданием оригинальной архитектуры сети математических функций, которые назвали искусственными нейронами. Они улавливают входной сигнал и обрабатывают его таким образом, что на выходе этот сигнал идентифицируется. Любая операция, например распознавание образов, поддерживается комбинированным взаимодействием искусственных нейронов.
В 1957 году в Корнелльском университете психолог Фрэнк Розенблатт построил перцептрон – первую обучающуюся машину. Она является эталонной моделью машинного обучения. После обучения перцептрон способен, например, распознавать образы (геометрические фигуры, буквы). Однако перцептрон не всесилен. Система, состоящая лишь из одного слоя искусственных нейронов, имеет ограничения.
Машина Розенблатта представляла собой огромный металлический шкаф весом в несколько тонн с торчащими в разные стороны проводами. У него была искусственная сетчатка – сеть фотоэлементов, которые принимали изображение на входе, и сотни автоматизированных приводов (переменных резисторов [2]
), управлявших показателями весов и подключенных к электродвигателю. Электронная схема вычисляла взвешенную сумму напряжения входов на сетчатке, задаваемую переменными резисторами. Если эта взвешенная сумма превышала пороговое значение, загорался выходной индикатор. Если сумма не превышала пороговое значение, индикатор не загорался.
Новизна перцептрона заключалась в его способности к обучению: он автоматически регулировал веса после демонстрации каждого нового изображения, приводя их в соответствие с желаемым выходом. Перцептрон положил начало машинному обучению с учителем. Процедура обучения настраивает параметры сети таким образом, чтобы результат приближался к желаемому. После обучения машина способна даже распознавать примеры, которых она никогда не видела, – это называется способностью к обобщению. Сегодня все, что делала машина Розенблатта, выполняет простейшая компьютерная программа длиной в несколько строк.
Чтобы приблизить деятельность ИИ к работе мозга, недостаточно было воссоздать его строение. Нужно было сделать системы способными к обучению по аналогии с механизмами обучения человеческого мозга. Так возникло направление глубокого обучения (deep learning) и искусственных нейронных сетей. На механизмах глубокого обучения и нейронных сетей работают современные компьютерные системы, включая автономные автомобили. Столкнувшись с ограничениями перцептрона, исследователи стали накладывать несколько слоев нейронов друг на друга, чтобы машины могли решать более сложные задачи. Принцип обучения остался прежним: параметры сети настраиваются таким образом, чтобы система допускала минимум ошибок. Сквозное обучение многослойных сетей – это так называемое глубокое обучение, или обучение преобразованию входных данных в осмысленные представления.
Отзыв: Книга «Как учится машина. Революция в области нейронных сетей и глубокого обучения» — Ян Лекун — Любопытно, но если вы помните, что такое функция, ее производная и ось абцисс))
Достоинства: интересная очень
Недостатки: не всем зайдет
На днях попалась крайне занимательная книга. Но скажу сразу, что автор, хоть и обещает, что расскажет «легким языком», по факту рассчитывает на читателя, который помнит и малость имеет представление о том, что такое функция, ее производная, как вычисляется тот же интеграл от производной. А еще малость помнит языки программирования, сам принцип, как пишутся программы.
Так что если вы надеетесь, что там найдет крайне простое описание того, что такое ИИ — это наивно. Книга рассчитана именно на людей, которые хорошо помнят высшую математику и основы математического анализа, например, те же графы, матричное решение, построение функции для множества чисел.
Признаюсь, я математику очень люблю, там есть верные решения и не верные. Не то, что в жизни. И читала я с упоением. Так как в принципе имею представления о том, что говорит автор. Например, как писать простые программки на вычисления, на выборку. Знаю логику, как мыслю оформить в знаки. Там же действительно малость иная логика.
Наверно, из-за этого для меня ИИ некая загадка, непонятно. Тем более самообучающиеся программы. После книги я много чего поняла. Например, саму логику построения. Довольно интересно придумано, например, с той же выборкой критериев.
Мне книга понравилась. Но я что-то сомневаюсь, что большинству это будет интересно. Все же написана она специфически. И рассчитана на читателя, который хорошо знаком хотя бы с мат-анализом, тем же программированием.
Ругать не буду, но литература сильно специфичная.
Благодарю за внимание! Надеюсь, что отзыв окажется для вас полезным)))
Общее впечатление Любопытно, но если вы помните, что такое функция, ее производная и ось абцисс))
Моя оценка 5
Рекомендую друзьям ДА
Информация об Авторе:
Ян Лекун (англ. Yann LeCun) — французский и американский учёный в области информатики, основные сферы деятельности — машинное обучение, компьютерное зрение, мобильная робототехника и вычислительная нейробиология. Известен работами по применению нейросетей к задачам оптического распознавания символов и машинного зрения. Один из основных создателей технологии сжатия изображений DjVu (совместно с Леоном Боту и Патриком Хаффнером). Вместе с Леоном Боту создал язык программирования Lush.
